[发明专利]一种基于多视图的无人驾驶场景聚类方法及系统

权利要求书

1.一种基于多视图的无人驾驶场景聚类方法，其特征在于，包括以下步骤：

获取无人驾驶车辆当前多视图数据，所述多视图数据包括激光雷达数据和图像数据；

基于迁移学习对每个视图进行聚类分析：

(1)根据设定的类别数分别进行聚类分析，得到当前隶属度矩阵；

(2)根据该视图与其他视图的当前隶属度矩阵，以及设定的迁移学习因子，对隶属度矩阵进行更新，得到新的聚类中心，并更新视图的权重；

根据迁移学习前后的聚类结果，判断是否需要继续进行迁移学习，若是，更新迁移学习因子，对每个视图再次进行聚类分析，若否，聚类结束，得到无人驾驶场景的道路识别结果。

2.如权利要求1所述的基于多视图的无人驾驶场景聚类方法，其特征在于，获取多视图数据后，还进行标准化处理：分别基于激光雷达数据和图像数据获取无人驾驶车辆前方的深度数据，得到多维数据集。

3.如权利要求2所述的基于多视图的无人驾驶场景聚类方法，其特征在于，对隶属度矩阵进行更新的公式为：

其中，u_lik表示第l个视图第i个样本点属于第k个类别的隶属度，L表示视图个数，取值为2，I代表的是样本的数量，K为聚类个数，取值为2，x_li指的是第l个视图中第i个样本点，c_lk指的是第l个视图中第k个聚类中心，||x_li-c_lk||为x_li与c_lk的欧几里得距离，ω_l为第l个视图的权重；ξ_ll′为当前视图l从其他视图l′进行迁移学习的因子；p_ll′ik为更新隶属度所必需的拉格朗日乘子，α为模糊参数。

4.如权利要求3所述的基于多视图的无人驾驶场景聚类方法，其特征在于，所述得到新的聚类中心公式为：

5.如权利要求4所述的基于多视图的无人驾驶场景聚类方法，其特征在于，所述更新视图的权重公式为：

其中，γ是一个非负的正则化参数。

6.如权利要求5所述的基于多视图的无人驾驶场景聚类方法，其特征在于，判断是否需要继续进行迁移学习包括：根据设定的目标函数计算本次迁移学习相应的目标函数值，若与上一次目标函数值差值在设定范围内，聚类结束；若否，更新迁移学习因子。

7.如权利要求6所述的基于多视图的无人驾驶场景聚类方法，其特征在于，第t次迭代的目标函数为：

8.一种基于多视图的无人驾驶场景聚类系统，其特征在于，包括：

数据获取模块，用于获取无人驾驶车辆当前多视图数据，并进行标准化处理；

迁移学习聚类模块，用于基于迁移学习对每个视图进行聚类分析，具体包括：

初始聚类子模块，用于根据设定的类别数分别进行聚类分析，得到当前隶属度矩阵；

迁移学习子模块，用于根据该视图与其他视图的当前隶属度矩阵，以及设定的迁移学习因子，对隶属度矩阵进行更新，得到新的聚类中心，并更新视图的权重；根据迁移学习前后的聚类结果，判断是否需要继续进行迁移学习，若是，更新迁移学习因子，对每个视图再次进行聚类分析，若否，聚类结束，得到无人驾驶场景的道路识别结果。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于多视图的无人驾驶场景聚类方法。

10.一种无人驾驶车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于多视图的无人驾驶场景聚类方法，以识别当前场景中的道路信息。